نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• مسعود مرادی ¹
• سینا شامخی ²

¹ دانشجوی کارشناسی ارشد، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران

² گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز ایران

چکیده

در سال‌های اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهشگران قرار گرفته است. اما مشکلاتی مانند پایین‌بودن صحت و سرعت محاسبات و هزینه زیاد ابزار مانع تجاری‌سازی تحقیقات شده -است. دیگر چالش‌ موجود در ساخت ابزار کاربردی، لزوم عملکرد خوب روش‌ها در دیدگاه آموزش به روش کنارگذاشتن یک نفر یا به بیانی دیگر در طبقه‌بندی داده‌های یک فرد جدید است. از این‌رو در این مقاله روشی کارآمد برای تشخیص حرکات دست با هدف ترجمه زبان اشاره ارایه شده است تا ضمن بکارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روش‌های آموزش به‌دست آید. در روش پیشنهادی، ویژگی‌های مقدار میانگین قدر مطلق، واریانس، ریشه میانگین مربعات، طول شکل موج، کشیدگی و چولگی از تبدیل موجک تجربی سیگنال‌های الکترومایوگرام و اینرسی استخراج گردیده است. سپس با روش ReliefF ویژگی‌های موثر انتخاب و برای طبقه‌بندی حرکات دست از ماشین بردار پشتیبان با هسته تابع پایه شعاعی استفاده شده است. درصدهای صحت روش‌پیشنهادی روی پایگاه داده‌ی PSL و مجموعه‌های DB2، DB3، DB5 و DB7 از پایگاه‌داده نیناپرو به‌ترتیب در دیدگاه کلمه-فرد برابر 31/99%، 11/97%، 58/96%، 12/96% و 32/97%، در دیدگاه کلمه-همه‌افراد برابر 78/99%، 22/97%، 46/95%، 23/97% و 72/97% و در دیدگاه کنارگذاشتن یک فرد برابر 43/97%، 68/94%، 66/89%، 55/91% و 81/94% به‌دست آمده است.

کلیدواژه‌ها

• زبان اشاره فارسی
• حرکات دست
• تبدیلات زمان - فرکانس
• تبدیل موجک تجربی
• انتخاب ویژگی
• کنار گذاشتن یک فرد

موضوعات

• پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

Detection of Persian sign language and hand gestures by decomposition of surface electromyogram, and inertia signals with empirical wavelet transform

نویسندگان [English]

• Masoud Moradi ¹
• Sina Shamekhi ²

¹ M.Sc. Student, Faculty of Biomedical Engineering, Sahand University of Technology, Tabriz, Iran

² Bioelectric Department, Biomedical Eng. Faculty, Sahand University of Technology, Tabriz, Iran

چکیده [English]

In recent years, the fabrication of devices that can facilitate the difficulty of communication between deaf people and the general public and translate sign language has attracted interest from researchers. But problems such as low accuracy and calculation speed and the high cost of tools have hindered the commercialization of research. Another challenge in making a practical tool is the necessity of good performance of the methods in the perspective of training by leave-one-subject-out or in other words classifying the data of a new person. Therefore, in this article, an efficient method for detecting hand gestures with the purpose of sign language translation has been presented, so that while using a method with lower dimensions, better performance can be obtained in all kinds of training methods. In the proposed method, the features consisting of the mean absolute value, variance, root mean square, waveform length, kurtosis, and skewness have been extracted from the empirical wavelet transformation of the electromyogram and inertial signals. Then, by the ReliefF method, effective features have been selected and for the classification of hand gestures, a support vector machine classifier has been used. The accuracy percentages of the proposed method on the PSL database and DB2, DB3, DB5, and DB7 datasets of the NinaPro database, have been respectively obtained as follows: 99.31%, 97.11%, 96.58%, 96.12%, and 97.32% in the word-subject training approach, 99.78%, 97.22%, 95.46%, 97.23%, and 97.72% in the word-all-subject training approach, and 97.43%, 94.68%, 89.66%, 91.55%, and 94.81% in the leave-one-subject-out method.

کلیدواژه‌ها [English]

• Persian sign language
• Hand gesture
• Time-frequency transformation
• Empirical wavelet transform
• Feature selection
• Leave-one-subject-out